基于改进天鹰优化器的抱杆结构优化.pdf

投稿网址:2023 年 第23 卷 第27 期2023,23(27):11759-09科 学 技 术 与 工 程Science Technology and EngineeringISSN 16711815CN 114688/T引用格式:方林,蒋晓琳,周庆丰,等.基于改进天鹰优化器的抱杆结构优化J.科学技术与工程,2023,23(27):11759-11767.Fang Lin,Jiang Xiaolin,Zhou Qingfeng,et al.Structure optimization of holding pole based on improved aquila optimizerJ.Science Tech-nology and Engineering,2023,23(27):11759-11767.基于改进天鹰优化器的抱杆结构优化方林,蒋晓琳,周庆丰,周焕林(合肥工业大学土木与水利工程学院,合肥 230009)摘 要 为了提高抱杆设计的安全性和经济性,提出一种基于改进天鹰优化器的抱杆结构优化方法。根据抱杆工程实例,建立轻量化设计模型。将角钢杆件的截面尺寸作为优化变量,采用罚函数法处理许用应力、位移和屈曲系数三种约束条件。为了解决天鹰优化器局部搜索能力不足的问题,使用混沌映射进行种群初始化,使首代种群在搜索空间内分布更加均匀,并引入新的平衡方式使算法在迭代后期仍具有全局搜索能力,同时加入非线性参数增强局部搜索能力,引入反向学习策略增强算法摆脱局部最优的能力。十杆平面桁架结构尺寸优化算例结果验证了改进算法具有更好的寻优能力。抱杆结构轻量化设计结果表明,改进的天鹰优化器提供的设计方案更佳,抱杆质量减轻了 16.55%。改进天鹰优化器能够有效处理平面桁架和空间杆系结构的优化设计问题。关键词 天鹰优化器;抱杆;桁架结构;结构优化;罚函数法中图法分类号 TU311;文献标志码 A收稿日期:2022-11-17;修订日期:2023-06-27基金项目:国家自然科学基金(11672098)第一作者:方林(1996),男,汉族,安徽蚌埠人,硕士研究生。研究方向:结构优化。E-mail:。通信作者:周焕林(1973),男,汉族,安徽宿松人,博士,教授,博士研究生导师。研究方向:计算力学,结构工程。E-mail:zhouhl 。Structure Optimization of Holding Pole Based on Improved Aquila OptimizerFANG Lin,JIANG Xiao-lin,ZHOU Qing-feng,ZHOU Huan-lin(College of Civil Engineering,Hefei University of Technology,Hefei 230009,China)Abstract In order to improve the safety and economy of the holding pole design,an optimization method of the holding pole struc-ture based on the improved aquila optimizer(IAO)was proposed.The lightweight design model was established according to the engi-neering project of the holding pole.The optimization variables were the section sizes of the angle steels,and the penalty function meth-od was used to deal with the three constraints of allowable stress,displacement and buckling coefficient.In order to solve the problemof insufficient local search ability of the aquila optimizer,the IAO used chaotic map for population initialization to make the first gener-ation population more evenly distribute in the search space,introduced a new balance method to make the algorithm still have the globalsearch ability in the late iteration,added nonlinear parameter to enhance the local search ability,and applied opposition-based learningstrategy to enhance the ability of the algorithm to get rid of local optima.The size optimization results of the ten-bar plane truss struc-ture verify that the IAO has better search ability.And the results of the lightweight design of the holding pole show that IAO provides abetter design scheme with 16.55%reduction in mass.The IAO can effectively deal with the optimization design problems of plane trussand space bar system structure.Keywords aquila optimizer;holding pole;truss structure;structural optimization;penalty function method 抱杆是输电铁塔组立的重要起重工具,铁塔输送电压的提升要求输电铁塔的高度和重量增加,从而导致抱杆的高度及钢材尺寸随之增加。在满足工程使用的前提下,对抱杆进行优化设计显得尤为重要,不仅减少了运输过程的碳排放,也减少了在此方面的经济支出。元启发式算法因其原理简单、方便,被广泛应用于测控技术、车辆工程、燃油转输、电力建设、航空航天等领域。于燕南等1使用镜面反射算法优化桥式起重机的金属结构,在满足规范要求的同时减轻了结构的重量。周潼等2对遗传算法进行改进,并应用于罗氏线圈结构的设计,构建了罗氏线圈优化系统。孟建军等3使用模拟退火遗传(simu-lated annealing-genetic algorithm,SA-GA)混合算法对车辆轮重分配问题进行优化设计,并将数值计算结果与仿真结果对比,验证其理论计算结果的准确性。Wang 等4通过响应面法建立赛车尾翼的近似模型,针对此模型使用遗传算法优化赛车尾翼的升投稿网址:11760科 学 技 术 与 工 程Science Technology and Engineering2023,23(27)力阻力比。龚昊5对差分进化算法进行改进,并对燃油转输参数进行优化设计,得到燃油转输参数最优方案。陶然等6采用响应面法模拟抱杆的真实响应,使用改进的算术优化算法对抱杆的响应面代理模 型 进 行 优 化 设 计,降 低 了 计 算 成 本。Khodzhaiev 等7提出二阶突变方法处理变长基因组来对遗传算法进行改进,并使用改进的遗传算法对输电塔进行拓扑、形状和尺寸优化。骆烜赫等8使用粒子群算法对功能梯度多级加筋圆柱壳进行轻量化设计,并进行有限元特征值屈曲分析验证此优化结果。天鹰优化器(aquila optimizer,AO)9作为当前较新的元启发式优化算法,因其较好的计算能力被应用于科学研究的多个方面。Abd Elaziz 等10将AO 和深度学习相结合,用于提升 2019 年冠状病毒病的图像分类;Ma 等11结合准对位学习策略和小波突变策略对 AO 进行改进,进行中国农村人口预测;Kharrich 等12将 AO 结合算术优化算法,用于设计储能系统的微电网。上述研究表明了 AO 计算能力的有效性,但该算法局部搜索能力不足,易停滞于局部最优,并且在空间桁架结构优化方面的研究还有待拓展。现针对 AO 较弱的局部搜索能力,使用改进型Logistics 混沌映射初始化算法的种群,有效帮助算法脱离局部最优13;引入新的平衡搜索方式,全局搜索和局部搜索得到了更好的平衡,算法迭代后期仍具有广泛的搜索能力,提升算法摆脱局部最优的能力;新的非线性参数增强算法的局部搜索能力;加入改进型反向学习策略,增加种群多样性,防止算法陷入局部最优14。然后将改进的天鹰优化器(improved aquila optimizer,IAO)结合罚函数法和有限元方法对十杆平面桁架结构和抱杆结构进行优化设计。1 抱杆结构有限元分析1.1 抱杆简介以白鹤滩-江苏 800 千伏特高压直流输电工程中使用的 750 截面落地双摇臂抱杆建立有限元模型,如图 1 所示,抱杆结构主要包括主杆段(普通段和加强段)、摇臂段和桅杆段。回转支座,腰环拉线、调幅绳、内拉线等均为次要结构。该抱杆全高 150 m,主要由抱杆主杆普通段(116 m),主杆加强段(20 m),摇臂(14 m)和桅杆(14 m)4 个部分组成。抱杆主杆段和桅杆段截面为750 mm 750 mm,摇臂段截面为500 mm 600 mm,摇臂和桅杆顶部均采用变截面设计。抱杆回转支图 1 抱杆整体示意图Fig.1 Overall diagram of the holding pole座处设置内拉线,与抱杆铅垂线的夹角为 20。抱杆自由段高 12 m,抱杆与铁塔间设置 9 道腰环,其中第一道为加强腰环,距离第二道普通腰环为12 m,其余腰环间距小于等于 15 m。抱杆最初设计的构件尺寸如表 1 所示,主材采用 Q345 钢,辅材采用 Q235 钢。密度 =7.85 103kg/m3,弹性模量 E=2.06 1011Pa,泊松比 =0.3。表 1 抱杆各段角钢型号Table 1 Angle steel type of each part of the holding pole抱杆部位主材角钢类型辅材角钢类型普通段 80 6 63 5加强段 100 8 63 5桅杆 90 8 60 6摇臂 65 6 50 6质量/t17.074 21.2 抱杆有限元模型为了方便建模,做以下约定。摇臂方位:摇臂俯视图与 X 轴正向所成的角度;风向:X 轴负方向的风向为 0,垂直 X 轴的风向为 90,二者角平分线为45方向。如图 2 所示。在抱杆三维有限元分析模型中采用梁单元模拟抱杆的主杆、桅杆和摇臂;用索杆单元模拟仅受拉力的内拉线和腰环等。释放摇臂绕 Z 轴转动的自由度。1.3 荷载工况抱杆承受的主要载荷包括自重、风载荷以及吊重。抱杆一侧吊重为4 t,另一侧为3 t,45摇臂,45风向时为此工程中的最危险工况。吊钩重 250 kg,投稿网址:2023,23(27)方林,等:基于改进天鹰优化器的抱杆结构优化11761图 2 摇臂方位和风载荷方向Fig.2 Rocker arm orientation and wind load direction起吊钢丝绳重 500 kg;最大工作风速 13.8 m/s(6 级风)。根据起重机设计规范(GB 38112008)风载荷的计算公式为Pw=CPA(1)C=1.7(1+)(2)P=0.625V2s(3)式中:C 为风力系数;A 为迎风面积;P 为风压;为挡风折减系数,由充实率 确定;Vs为计算风速。1.4 有限元分析采用有限元方法对落地双摇臂抱杆最危险工况进行分析计算,分析结果如表 2 所示。由表 2 可知,在最危险工况下,主材的最大 Mises 应力为158.80 MPa,辅材的最大 Mises 应力为115.60 MPa,两者均满足架空输电线路施工机具基本技术要求(DL/T 3192018)中 2 倍屈服安全系数的要求;抱杆顶端最大水平位移为 342.98 mm,抱杆屈曲系数为 4.37,两者均满足设计要求。本文中将其作为优化工况对抱杆结构进行优化。表 2 最危险工况分析结果Table 2 Analysis results of the most dangerousworking condition最大 Mises 应力/MPa主材辅材抱杆顶端位移/mm屈曲系数158.80115.60342.984.372 改进的天鹰优化器2.1 天鹰优化器AO 是 Abualigah 等9在 2021 年提出的一种元启发式算法,该算法模拟天鹰这种生物的四种捕猎行为产生 4 个迭代公式,若当前迭代次数小于最大迭代次数的 2/3,使用前两个迭代公式进行全局搜索,否则采用后两个迭代公式进行局部搜索。2.1.1 第一种捕猎行为 X1(扩大探索)天鹰在高空中广泛地探索,并通过垂直弯腰的高空飞翔识别猎物所在区域,来选择出最佳狩猎区域。该行为表示为X1(t+1)=Xbest(t)L+XM(t)-Xbest(t)rand(4)L=1-tT(5)式(4)中:t 为当前迭代;T 为最大迭代次数;Xbest(t)为第 t 次迭代之前获得的最佳解,即当前的最佳猎物位置;rand为 0 1 的随机值;L 为随迭代次数的线性递减值。XM(t)表示第 t 次迭代当前解的平均值,计算公式为XM(t)=1NNi=1Xi(t),j=1,2,D(6)式中:D 表示问题的维度;N 表示候选解的个数(种群大小)。2.2.2 第二种捕猎行为 X2(缩小探索)当天鹰在高空中发现猎物区域,会在猎物上方区域盘旋,准备着陆和发动攻击。在该行为中天鹰会仔细地探索目标所在区域,从而为攻击做准备。该行为表示为X2(t+1)=Xbest(t)Levy(D)+XR(t)+(y-x)rand(7)Levy(D)=s1(8)=(1+)sin21+2()2(-12)()(9)y=rcosx=rsinr=r1UD1=-D1+1(10)式中:XR(t)表示第 t 次迭代时在种群 1,N 范围内的一个随机解;Levy(D)为 Levy 飞行分布函数;y和 x 为搜索过程中的螺旋形状参数;D 表示问题维度;s=0.01;和 为 0 1 的随机数;=1.5;r1为 1 20 的固定的搜索周期数;U=0.005 65;D1为从 1 D 的整数;为 0.005;1=1.5。2.1.3 第三种捕猎行为 X3(扩大开发)当天鹰确定猎物所在区域,准备着陆和攻击时,会垂直下降进行初步攻击,以发现猎物的反应。在这里,天鹰将利用选定的目标区域来接近猎物并攻击。该行为表示为X3(t+1)=Xbest(t)-XM(t)-rand+(BU-BL)rand+BL)(11)投稿网址:11762科 学 技 术 与 工 程Science Technology and Engineering2023,23(27)式(11)中:和 为一个确定的较小的开采调整值,值为 0.1;BL为问题的下界值;BU为问题的上界值。2.1.4 第四种捕猎行为 X4(缩小开发)当天鹰接近猎物时,会根据猎物的随机运动在陆地上攻击猎物。该行为表示为X4(t+1)=QFXbest(t)-G1X(t)rand-G2Levy(D)+randG1(12)QF=t2rand-1(1-T)2G1=2rand-1G2=2 1-tT()(13)式中:QF为平衡搜索策略的质量函数;G1为天鹰的各种运动,用于跟踪奔跑期间的猎物;G2为 2 0 的线性递减值。2.2 改进的天鹰优化器(IAO)2.2.1 混沌映射AO 的首代种群是以随机化方式生成。混沌映射与随机化相比,其产生的首代种群在搜索空间内分布更加均匀,帮助算法规避局部最优和算法早熟现象。毛清华等13提出的改进型 Logistics 混沌映射(improved logistic mapping,ILM)相比于经典 Lo-gistics 混沌映射在初始化种群分布方面性能更佳,所以本文中使用改进型 Logistics 混沌映射初始化天鹰种群。计算公式为xn+1=4xn(1-xn)yn=1arcsin(2xn+1-1)-12xn+1=4yn(1-yn)yn=1arcsin(2xn+1-1)-12(14)Xij=yn(BU,j-BL,j)+BL,j(15)式(15)中:BU,j和 BL,j分别为第 j 维搜索空间中的上界和下界,i1,N,j1,D,N 和 D 分别为算法种群数和维度。将得到的混沌序列 yn代入式(15)得到天鹰种群的初始位置。2.2.2 新的平衡搜索策略在 AO 中,若当前迭代次数 t 2T/3 时,算法进入全局搜索阶段,反之进入局部搜索阶段,为了更好地平衡两者,摆脱局部最优值,本文提出一种新的平衡方式,公式为E=12sin 8tT()+1-tT()(16)式(16)中:E 为随迭代次数变化着的振荡型参数。当 E 0.2 时,算法进行全局搜索,否则进行局图 3 E 值迭代曲线Fig.3 The iteration curve of E value部搜索。如图 3 所示,算法在迭代中期也可进行局部搜索,使得算法在搜索空间内搜索得更加彻底;在迭代后期保留局部搜索方式的同时加入全局搜索,使得算法在迭代后期仍具有广泛搜索的能力,帮助算法规避局部最优。2.2.3 参数 G2的调整策略G2是一个从 2 线性递减到 0 的参数,代表天鹰跟踪猎物时从第一个位置到最后一个位置的飞行斜率。本文提出一种非线性递减参数,迭代曲线如图 4 所示,即将式(13)中的 G2调整为G2=2 1-sin0.7tT()2(17)基于新的平衡方式,算法在迭代中期就进行了局部搜索,此时改进的 G2具有较大的值,使得算法更加依赖 Levy 飞行,从而更加彻底的搜索解的空间;在迭代后期改进的 G2较小,受 Levy 飞行随机大范围搜索的影响小,因此上一步得到的最优解Xbest(t)和历史解 X(t)将更加影响这一步的搜索结果,提升了迭代后期的局部搜索能力。图 4 G2值迭代曲线Fig.4 The iteration curve of G2value2.2.4 改进的反向学习策略反向 学 习 策 略15(opposition-based learning,投稿网址:2023,23(27)方林,等:基于改进天鹰优化器的抱杆结构优化11763OBL)是指在算法迭代过程中,利用当前解的位置产生一个对应的反向位置,然后比较当前解及其反向位置的适应度值,假如反向位置的适应度值优于当前解,则用反向位置代替当前解的位置,利用反向位置进入下一步的求解。改进的反向学习14(improved opposition-basedlearning,IOBL)公式为xij=k1aj(t)+k2bj(t)-xij(t)(18)式(18)中:xij(t)为当前解的位置;aj(t)为当前解第 j 维的上界;bj(t)为当前解第 j 维的下界;k1、k2均为 0 1 之间的随机数。如果反向解 xijaj,bj,则进行更新,更新公式为xij=2xmax-xij,xij xmaxxij=2xmin-xij,xij xmin(19)采用改进的反向学习策略,在算法探索阶段后产生反向位置,增加了种群的多样性,保证了算法在进行开发阶段之前拥有更好的当前解,极大地帮助算法跳出局部最优,提升算法的计算精度。2.2.5 IAO 的基本流程IAO 的基本流程图如图 5 所示。图 5 IAO 优化流程图Fig.5 IAO optimization flowchart3 十杆平面桁架结构的优化为了检验 IAO 在处理桁架结构离散型优化设计方面的能力,将 IAO 应用于十杆平面桁架结构的尺寸优化。十杆平面桁架结构如图 6 所示,杆件和节点依次进行了编号。所有杆件材料密度均设为0.1 lb/in3(1 lb/in3=27 679.9 kg/cm3),弹性模量为 10 000 ksi(1 ksi=6.84 MPa),杆件的应力约束为 25 ksi,位移约束为 2.0 in(1 in=25.4 mm)。外部荷载 P 施加在节点 2 和节点 4 上,大小为 100kips(1 kips=4.448 kN)。将10 个杆件的横截面积作为设计变量,将结构总体质量作为目标函数。优化变量从数据集 S 中选用,其中 S=0.1,0.5,1.0,1.5,2.0,2.5,3.0,3.5,4.0,4.5,5.0,5.5,6.0,6.5,7.0,7.5,8.0,8.5,9.0,9.5,10.0,10.5,11.0,11.5,12.0,12.5,13.0,13.5,14.0,14.5,15.0,15.5,16.0,16.5,17.0,17.5,18.0,18.5,19.0,19.5,20.0,20.5,21.0,21.5,22.0,22.5,23.0,23.5,24.0,24.5,25.0,25.5,26.0,26.5,27.0,27.5,28.0,28.5,29.0,29.5,30.0,30.5,31.0,31.5 in2,共有 64 种截面尺寸可供选择。图 6 10 杆平面桁架结构Fig.6 10-bar plane truss structure十杆平面桁架结构优化设计问题已被众多学者用于测试算法的寻优性能。归纳粒子群优化算法(particle swarm optimization,PSO)、含被动聚集因子的粒子群优化算法(particle swarm optimizer withpassive congregation,PSOPC)、启发式的粒子群优化算法(heuristic particle swarm optimization,HPSO)和萤火虫算法(firefly algorithm,FA)的优化结果,并与AO 和 IAO 的计算结果进行对比。设定 AO 和 IAO的种群规模为 50,总迭代次数为 1 000,运行 30 次。优化结果如表 3 所示;迭代收敛曲线如图 7 所示。由表 3 可知,IAO 优化结果是最佳设计方案,总质量为 5 067.35 lb,表明 IAO 具有较高的寻优精度;在 AO 和 IAO 独立运行 30 次,结构分析次数统投稿网址:11764科 学 技 术 与 工 程Science Technology and Engineering2023,23(27)表 3 十杆平面桁架优化结果对比Table 3 Comparison of optimization resultsof ten bar plane truss参数PSO16PSOPC16HPSO16FA17AOIAOA124.5025.5031.5025.5029.5029.50A20.100.100.101.500.100.10A322.5023.5024.5024.5024.5023.00A415.5018.5015.5013.5013.5016.00A50.100.100.100.100.100.10A61.500.500.502.000.500.50A78.507.507.5012.007.507.50A821.5021.5020.5019.0021.5021.00A927.5023.5020.5020.0022.5022.00A100.100.100.102.500.100.10Best(lb)5 243.71 5 133.165 073.515 139.37 5 082.26 5 067.35Mean(lb)5 257.46 5 161.28Std.180.60101.32结构分析次数(N T)50 00050 00050 00020 90050 00050 000 注:A1 A10表示 10 根杆的截面面积;Best 表示 30 个优化结果中的最优值;Mean 表示30 个优化结果的平均值;Std.表示30 个优化结果的方差。一为 50 000 次的情况下,IAO 获得的十杆桁架结构质量平均值为 5 161.28 lb,标准差为 101.32,均比AO 的计算结果小,表明改进后算法在求解稳定性方面得到了提升。为了验证 IAO 获得的最优解是否可行,将 IAO 提供的最优解代入约束函数中检查,此时节点最大位移为 50.79 mm,没有违反设定的位移约束条件;杆件最大应力为 169.80 MPa,没有违反设定的应力约束条件,因此 IAO 提供的设计方案是可行的。图 7 所示为 IAO 在迭代前期的收敛速度要高于 AO,表明混沌映射初始化种群有利于算法在设计域内快速寻优;AO 在迭代至800 次时陷入局部最优,反观 IAO 能够不断地跳出局部最优值,这是由图 7 十杆平面桁架结构优化收敛曲线Fig.7 Optimization convergence curve of tenbar plane truss于加入了反向学习策略和新的平衡搜索策略,使得IAO 在迭代中期就可以进行局部搜索,在迭代后期也可以在设计空间进行全局寻优,提升了算法脱离局部最优值的能力。4 抱杆结构的优化4.1 抱杆优化模型在有限元方法的基础上,使用 IAO 对抱杆结构进行优化,在满足结构承载力的情况下,寻找抱杆各部分所用角钢的最合理尺寸。以结构的强度、刚度和稳定性为约束条件;以抱杆结构各部分所用角钢主材和辅材的截面尺寸为优化变量;以抱杆整体的质量最小化为目标构建优化模型。将抱杆结构质量记为 W(x),结合罚函数法,可将优化设计的目标函数记为F(x)=W(x)+Cki=1g2i(x)(20)式(20)中:k 为约束个数;g(x)为约束函数;C 为惩罚系数,当满足约束时,C=0。以结构的强度、刚度和稳定性为约束条件为g1=zmax-z 0g2=fmax-f 0g3=max-0g4=-0(21)式(21)中:zmax为主材最大应力;z为主材许用应力;fmax为辅材最大应力;f 为辅材许用应力;max为抱杆顶部水平最大位移;为规范允许的最大位移;为屈曲系数;为最小允许屈曲系数。规范规定摇臂抱杆的屈服强度安全系数和稳定安全系数不小于2.0;主杆体有悬臂结构的抱杆,杆体顶部的水平位移不得超过 1.34H/100(H 为抱杆的自由高度,等于抱杆自由段高与桅杆高度之和)。所以抱杆主材的许用应力z=172.5 MPa,辅材的许用应力f=117.5 MPa;最大允许位移经计算为 348.4 mm;稳定安全系数即最小允许屈曲系数=2。4.2 抱杆结构的优化计算根据热轧等边角钢截面特性表,选取边宽范围为 40 110 mm 的等边角钢建立截面库。以抱杆主要四个部位的主材和辅材的角钢型号为优化变量,共 8 个离散变量。变量从截面库中选用,截面库如表4 所示。x1,x2,x8分别代表抱杆普通段主材和辅材,加强段主材和辅材,桅杆主材和辅材以及摇臂主材和辅材。4.3 优化结果统一设定算法的总迭代次数 T=100,种群数为10,针对此危险工况进行优化。表 5 给出了蝴蝶优投稿网址:2023,23(27)方林,等:基于改进天鹰优化器的抱杆结构优化11765化算法(butterfly optimization algorithm,BOA)、鲸鱼优化算法(whale optimization algorithm,WOA)、灰狼优化算法(grey wolf optimizer,GWO)、AO 和 IAO 的优化设计结果。如表 5 所示,相比于其他算法,IAO找到了结果中抱杆的最佳设计方案,优化后质量为14.248 8 t,并且优化得到的抱杆均满足稳定安全系数即屈曲系数不小于 2.0。如表 6 所示,相比于原始设计方案,IAO 优化后抱杆质量减轻了 16.55%。图 8 所示为 5 种算法对抱杆优化后对应的最大Mises 应力云图。BOA 和 WOA 优化后的抱杆最大Mises 应力均发生在杆身加强段顶部主材,分别为163.67 MPa 和 144.48 MPa。GWO、AO 和 IAO 优化后的抱杆最大 Mises 应力均发生在杆身普通段和加强段交界处主材,分别为 160.19、160.42 和 167.84MPa。优化后得到的五种抱杆均满足规范规定的 2倍屈服强度系数。如图 9 所示,优化后的 5 种抱杆顶部水平位移均未超过 348.4 mm,均满足规范规定的刚度要求。表 4 抱杆截面型号库Table 4 Section type library of holding pole截面编号参数/mm截面编号参数/mm截面编号参数/mm截面编号参数/mm1 40 314 56 527 75 640 90 122 40 415 56 828 75 741 100 63 40 516 63 429 75 842 100 74 45 317 63 530 75 1043 100 85 45 418 63 631 80 544 100 106 45 519 63 832 80 645 100 127 45 620 63 1033 80 746 110 78 50 321 70 434 80 847 110 89 50 422 70 535 80 1048 110 1010 50 523 70 636 90 649 110 1211 50 624 70 737 90 712 56 325 70 838 90 813 56 426 75 539 90 10表 5 5 种算法的优化结果Table 5 Optimization results of five algorithms算法x1/mmx2/mmx3/mmx4/mmx5/mmx6/mmx7/mmx8/mmzmax/MPa fmax/MPamax质量/tBOA90 670 5 110 7 70 680 863 656 856 8163.67101.45339.862.6718.4272WOA70 750 4 90 10 63 5 80 10 56 463 845 6144.48117.29332.755.8915.8635GWO75 550 3 100 10 56 5 90 10 56 570 456 4160.18116.52343.822.7514.3752AO80 556 3 100 10 70 8 100 7 70 870 556 8160.4296.71345.302.9816.0856IAO70 550 3 100 12 56 3 90 10 56 363 550 6167.84109.03323.063.3414.2488表 6 抱杆优化前后结果对比Table 6 Results comparison before and after optimization for holding pole算法x1/mmx2/mmx3/mmx4/mmx5/mmx6/mmx7/mmx8/mm质量/tInitial 80 6 63 5 100 8 63 5 90 8 60 6 65 6 50 617.074 2IAO 70 5 50 3 100 12 56 3 90 10 56 3 63 5 50 614.248 8图 8 抱杆最大 Mises 应力云图Fig.8 Maximum mises stress nephogram of holding pole投稿网址:11766科 学 技 术 与 工 程Science Technology and Engineering2023,23(27)图 9 抱杆顶部最大水平位移云图Fig.9 Maximum horizontal displacement nephogram of holding pole top 图 10 为 5 种算法的迭代收敛曲线,AO 在迭代20 次时陷入局部最优,而 IAO 能够多次跳出局部最优值直至算法迭代终止,并且最终获得抱杆的最小质量。因此,IAO 具有最佳的寻优性能。图 10 算法迭代曲线Fig.10 Algorithm iteration curve5 结论本文提出了一种改进的天鹰优化器,结合有限元方法和罚函数法,以结构的质量最小化为优化目标,对十杆平面桁架和抱杆结构进行优化设计。得到如下主要结论。(1)IAO 在 AO 中引入混沌映射、反向学习策略、非线性参数和新的平衡方式,算法的计算精度和脱离局部最优的能力得到了有效提高。(2)IAO 得到了十杆平面桁架结构的最佳设计方案。IAO 在寻优精度和求解稳定性方面强于 AO等算法,表明算法改进策略的有效性。(3)IAO 得到了抱杆轻量化设计最佳方案,各部分所用角钢型号更加合理,抱杆结构在强度、刚度和稳定性方面均满足规范要求,抱杆整体质量由17.074 2 t 降为 14.248 8 t,降幅为 16.55%。(4)IAO 能够有效地处理平面桁架和空间杆系结构的工程优化问题。参考文献1 于燕南,戚其松,董青,等.多工况下的桥式起重机有限元分析及优 化 设 计 J.科 学 技 术 与 工 程,2021,21(31):13334-13341.Yu Yannan,Qi Qisong,Dong Qing,et al.Finite element analysisand optimal design of bridge crane under multiple working condi-tionsJ.Science Technology and Engineering,2021,21(31):13334-13341.2 周潼,王莉,牛群峰,等.基于改进遗传算法和有限元分析的罗氏线圈结构优化设计J.科学技术与工程,2020,20(22):9075-9080.Zhou Tong,Wang Li,Niu Qunfeng,et al.Optimization design ofRogowski coil structure based on improved genetic algorithm and fi-nite element analysisJ.Science Technology and Engineering,2020,20(22):9075-9080.3 孟建军,孟高阳,李德仓.基于 SA-GA 混合算法的动车组车辆轮重分配优化J.应用数学和力学,2021,42(4):363-372.Meng Jianjun,Meng Gaoyang,Li Decang.Optimization of wheelweight distribution for EMU vehicles based on the SA-GA hybrid al-gorithmJ.Applied Mathematics and Mechanics,2021,42(4):363-372.4 Wang H,Bai Q,Hao X,et al.Genetic algorithm-based optimiza-tion design method of the Formula SAE racing cars rear wingJ.Proceedings of the Institution of Mechanical Engineers,Part C:Journal of Mechanical Engineering Science,2018,232(7):1255-1269.5 龚昊.基于差分进化算法的辅助燃油系统燃油转输参数优化J.科学技术与工程,2020,20(4):1690-1696.Gong Hao.Fuel transfer parameter optimum for auxiliary fuel systembased on differenti